Tér és Társadalom XVIII. évf : VERSENYKÉPESSÉG A MAGYAR VÁROSHÁLÓZAT TUDÁSALAPÚ MEGÚJÍTÓ KÉPESSÉGE AZ EZREDFORDULÓN 1

Átírás

1 Tér és Társadalom XVIII. évf : VERSENYKÉPESSÉG A MAGYAR VÁROSHÁLÓZAT TUDÁSALAPÚ MEGÚJÍTÓ KÉPESSÉGE AZ EZREDFORDULÓN 1 (The Knowledge Based Renewing Capability of the Hungarian Urban Network at the Turn of the Millennium) RECHNITZER JÁNOS CSIZMADIA ZOLTÁN GROSZ ANDRÁS Kulcsszavak: városhálózat átrendeződés megújító képesség innovációs rendszer területi egyenlőtlenségek A hazai városhálózat kutatása a kilencvenes évek elejétől új lendületet vett. A rendszerváltozás alapvetően átformálta a hálózat egészét. Új funkciók jelentek meg, amelyek a városi gazdaságokat átrendezték, egyes korábbi alakító és meghatározó gazdasági bázisok leépültek, míg mások, esetleg eddig ismeretlenek viszont megjelentek. A városi jogállással rendelkező települések száma is ugrásszerűen megnőtt. Nemcsak a számszerű növekedés jellemezte a városhálózatot, hanem annak egységei között látványos verseny indult meg, mivel a szerepkörök megkövetelték, hogy maguk a városok is új kínálati elemeket alakítsanak ki a befektetőknek, a betelepülni vágyóknak. Tanulmányunkban a rendelkezésre álló legfrissebb statisztikai adatok és az általunk gyűjtött különböző innovációs mutatók alapján feltérképezzük a hazai városhálózat jelenlegi megújuló képességének belső szerkezetét, klaszter struktúráját. Lokalizáljuk a vezető szerepkörű centrumokat és alcentrumokat. Egyszerűbb formában feltárjuk a folyamatok mögötti területi egyenlőtlenségeket is úgy, hogy szem előtt tartjuk a korábbi politikai rendszerből örökölt adottságokat és a rendszerváltozásból fakadó transzformációs tendenciákat is. Bevezetés A rendszerváltás utáni városhálózati átrendeződés strukturális és funkcionális komponenseinek nyomon követése elengedhetetlen feladat a hazai városkutatásban. Az átstrukturálódás volumenét jól tükrözik az alábbi adatok: a kilencvenes évek elején a városok száma (1990) 164 volt és a népesség 29 százalékának a lakóhelyét biztosították ben már 251 városi rangú településsel találkozhattunk a népesség 48 százalékának nyújtva életteret (Rechnitzer 2002). A tudományos elemzések az első időben értelemszerűen csak a jelenségek leírására, azok vélhető, vagy éppen felismerhető törvényszerűségeinek bemutatására törekedtek. A városhálózat innovációs potenciáljának elemzése (Rechnitzer 1993) már megállapította, hogy a szerkezet roppant megosztott. A regionális funkciókkal is rendelkező tagok elhúztak, viszont lassan mozdultak a középvárosok, a másodlagos regionális központok, a periférikus helyzetű középvárosok. A kisvárosok többsége pedig nem volt képes ebben az időben még innovációs tényezőket, intézményeket fogadni. A gazdasági szerepek megváltozását a kilencvenes évek elejét bemutató tanulmány (Nemes Nagy 1996) már

2 118 Versenyképesség TÉT XVIII. évf bizonyítja, hogy a külföldi tőke fogadásában látványos különbségek tapasztalhatók. Dominánsan érvényesül a nyugat kelet dichotómia, azaz a földrajzi fekvés az átmenet első időszakában meghatározó volt a városok gazdasági szerkezetének elmozdulásában. Bizonyítható volt, hogy megindult a verseny a városok között (Enyedi 1997; Lengyel Rechnitzer 2000). Egyrészt ennek a versenynek meghatározó elvi és egyben város stratégiai elemei formálódnak, másrészt az időbeli elemzések jelezték, hogy a nagyvárosi hálózatban a különbségek határozottan kimutathatók. Ezek az évtized végére csak kisebb mértékben a helyzetből, a fekvésből, viszont egyre nagyobb mértékben a várospolitikából, illetve annak egyes külső és belső meghatározóiból következnek. A városok sikeressége a kutatások középpontjába került, hiszen nemcsak a tudomány, hanem a politika is keresi azokat a tényezőket, amelyek ebben a versenyben az előbbre jutást, a pozíciók javítását szolgálhatják. Születnek összehasonlító és értékelő tanulmányok, ezek döntően a nagyvárosok összevetésére irányultak (Csapó 2002), de az elemzések még az egyszerű statisztikai leírások és összevetések, divatos kifejezéssel, egy lebutított benchmarking szintjén álltak. Nem voltak képesek a belső tartalmakat megragadni, nem mutattak ki fejlődési csoportokat, nem értékelték a fejlődési pályákat. Ennek ellenére hasznos információkat nyújtottak a szerkezet átalakulás irányainak illusztrálására, a mélyebb elemzések irányainak felvázolására. Már regisztrálhatunk a szakirodalomban olyan mélyebb elemzéseket, amelyek egy-egy város fejlődési pályáját fogták át, keresve az egyes irányok okait és mozgatótényezőit, s egyben adalékokat adva a jövőbeli stratégia kidolgozásához (Barsi Csizmadia 2001; Barsi 2002; Szirmai et al 2002; Izsák 2003; Tímár Velkei 2003). A városhálózat kilencvenes években történt átrendeződésénél mások voltak a mozgatórúgók az évtized elején és az ezredforduló táján (Rechnitzer 2002). Míg az átmenet utáni években erősen hatott az intézményi ellátottság és a tradicionális gazdasági funkciók kérdése (feldolgozóipar, nagyvállalati szervezet), addig az évtized végére már a gazdasági és üzleti szolgáltatások léptek elő a gazdaságot képviselő tényezők közül. Hasonlóan előtérbe kerültek a fogyasztást megjelenítő intézmények, aktivitások, továbbá felértékelődött a tudást, az ismeretet nyújtó szervezetek és szereplők jelenléte. Ezekhez az összehasonlító vizsgálatokhoz kapcsolódnak azok az elemzések, amelyek már az infokommunikációs intézmények és infrastruktúra meglétét és annak hálózat alakító szerepét tekintik át (Nagy 2002; Dőry Ponácz 2003; Rechnitzer Grosz Csizmadia 2003). A legújabb személyes, közösségi és intézményi kommunikációs technológiát képviselő rendszerek áttekintése alapján megállapítható, hogy a városhálózat megosztott, erősen differenciált, a különbségek még látványosabbak, mint az összevont fejlettségi vizsgálatok alapján. Mindezek az előzmények már sugallták, hogy a városfejlődés új elemeire kell a figyelmet szentelnünk, és annak alapján kell elsőként magát a hálózatot, aztán a jövőben annak egyes csoportjait áttekinteni. Egyértelmű a területi folyamatok alakulásából, hogy az emberi tényezők és az arra épülő tudás válhat a fejlődés jövőbeli letéteményesévé (Rechnitzer Smahó 2004). A tudást képviselő tényezők, azokat

3 TÉT XVIII. évf Versenyképesség 119 alakító intézmények és a megtestesítő produktumok jelenítik meg ezen meghatározó erőforrásbázist, jellemzik magának a településnek is a jövőbeli megújító képességét. Vizsgálatunkban a városhálózat tudásalapú innovációs rendszereit kíséreltük meg összegyűjteni és rendszerezni. Ezek alapján összehasonlító vizsgálatokat végeztünk. Arra kerestük a választ, hogy egyrészt a különféle megújítást képviselő tényezőrendszerek belső tartalma és összetartozása milyen erősségű. Másrészt azt is ki akartuk deríteni, hogy az egymással kialakított kapcsolataik milyen jellegűek, mennyire determináltak a hálózati elemei. Harmadrészt megpróbáltuk körülhatárolni azokat a városcsoportokat, amelyek azonosságokat mutatnak a tudást megjelenítő tényezők vonatkozásában, keresve egyben az elkülönülés okait és tényezőit, jelezve a fejlődési pályák lehetséges sajátosságait. A városhálózat tudásalapú megújító képességének alábbi tanulmánya számos kérdést felvethet. Így vita tárgya lehet a tudásalapú megújítás tartalmának meghatározása, annak jellemzésére alkalmazható mutatók, tényezők megválasztása. Kérdéseket vethet fel az időbeliség, vajon nem folyamatában kellene-e elemezni a megújítást? Eltöprenghetünk az elemzési módszeren, annak ismert korlátain, vagy éppen az alkalmazás során felbukkant nehézségein. S végül, de nem utolsó sorban a következtetéseink is vitát válthatnak ki, mivel az egyes városok konkrét valóságukban másként élhetik meg az okokat és magyarázatokat. Sőt, a helyzetértékelésük is jelentősen eltérhet az elemzők által leírtaktól. Mint kutatóknak vállalnunk kell az eredményeinket, hiszen a legkörültekintőbben jártunk el. Éppen a gyakorlati észrevételek segíthetnek az elemzések pontosabbá tételéhez, a törvényszerűség teljesebb megalapozásához. Módszertani kérdések, valamint a településhálózat alapvető leíró statisztikai jellemzői Elképzelésünk szerint, ha világos képet szeretnénk kapni egy település megújulási készségének számos formában testet öltő adottságairól, akkor egy olyan egységes modellre van szükségünk, amely magában hordozza: 1) az innováció anyagi-tárgyi alapú determináns faktorait (pl. háztartási- és szervezeti alapú gazdasági fejlettség, intézményrendszer, foglalkoztatottság és munkanélküliség), 2) az emberi erőforrásokban rejlő lehetőségeket (pl. iskolázottság, magasan kvalifikált munkaerő-piaci szegmens súlya, felsőoktatás, kutatás-fejlesztés), 3) és természetesen az innovatív magatartás lokális lenyomatait is a megfelelő támogató intézményrendszer jelenléte mellett (pl. szabadalmak, innovációt támogató intézmények jelenléte, K+F szektor súlya). Az innovációs klaszterek vizsgálatának első pontjaként ki kell alakítani a teljes városhálózati mutatórendszerből az innováció szempontjából relevánsnak minősülő elemek összevont indexét (főkomponens-elemzés). Majd a főkomponens értékek együttes szerepeltetése mellett a klaszteranalízis segítségével el kell határolni egymástól a megközelítőleg azonos fejlettségi szinten álló városcsoportokat. A több-

4 120 Versenyképesség TÉT XVIII. évf változós adatredukciós és osztályozó eljárások alkalmazásával szeretnénk rendszerezni és besorolni a hazai városokat fejlődési pályájuk jelenlegi pontját véve alapul. Mégpedig úgy, hogy a gazdasági- és társadalmi mezőben megjelenő innovációs adottságok egyenlőtlenségei a lehető legtöbb háttérfaktor együttes figyelembevétele mellett rajzolódjanak ki. A főként a Központi Statisztikai Hivatal anyagain (statisztikai évkönyv, TSTAR települési szintű adatbázis) és az MTA RKK Nyugat-magyarországi Tudományos Intézet önálló gyűjtésein alapuló városi adatbázis több mint nyolcvan releváns változót tartalmazott. Ebből alakítottuk ki azt a néhány fejlettségi indexet, amely csoportosítási alapkritériumként szolgált az innovációs település-együttesek elhatárolása során. Az adatredukciót a klaszterelemzés miatt célszerű elvégezni, hiszen fejlettségi index együttes szerepeltetése szinte lehetetlenné tenné a városklaszterek interpretálását. A statisztikai eljárás eredményeként standardizált alakú skála szintű változókat kapunk. Ezek az eredeti információk jelentős hányadát magukba sűrítve egyetlen értékkel képesek jellemezni egy adott település bizonyos sajátosságait (pl. gazdasági fejlettség, humán állomány). Értelemszerűen nem minden mutató alkalmas a redukcióra. A rendelkezésre álló városi indikátorok bizonyos részét ki kellett hagynunk az elemzésből, mert nem simultak bele kielégítően az általunk előzetesen meghatározott fejlettségi dimenziókba. Ennek ellenére, még így is 40 olyan változóval dolgoztunk, amelyek az innovativitásról alkotott felfogásunk alapján domináns szerepet vállalhatnak egy adott térség innovációs kapacitásának formálásában. Az eljárással öt dimenzióba tudtuk összesűríteni az eredeti változóinkat (1. táblázat). A gazdasági fejlettség mutatója összefogja a lakosság, a helyi gazdasági szereplők és a gazdasági tevékenységekben érintett intézmények, szervek adatait. Az új, tömörített változó kialakításában a legnagyobb szerepet a háztartások anyagi helyzetét és a foglalkoztatottság dinamikáját mérő mutatók játsszák. Az iskolázottság és a menedzsment főkomponens négy mutatója a évi népszámlálás munkaerő-piaci adatainak szegmenseit tömöríti egybe. A mutató a fejlett, szolgáltatásorientált, magasan kvalifikált diplomás- és különösen vezetői munkakörökre építő gazdasági és állami feladatkörök, funkciók megjelenését képezi le. A változó kialakításában a legnagyobb szerepet egyértelműen a diplomás, és még ezen belül is a vezető, értelmiségi foglalkozásúak arányát mérő mutatók játsszák. A társadalmi aktivitás főkomponens mutatója az EU-csatlakozáshoz kapcsolódó választási részvételi hajlandóságot, a civil társadalom szervezeti- és finanszírozási (támogatási) hátterét, illetve a helyi társadalmi nyilvánosság összetettségét mérő adatokból épül fel. A választópolgári magatartást és a nonprofit szféra súlyát mérő jelzőszámok konstrukciós ereje a legjelentősebb. A humán erőforrás dimenzió főleg a felsőoktatási szféra intézményi- és humán állományi súlyát, fejlettségét fejezi ki. Az összevont változó kialakításában a legnagyobb szerepet a felsőoktatásban dolgozó minősített, vezető oktatók arányát, illetve a felsőoktatási karok és a középfokú intézmények számát mérő városi paraméterek játsszák.

5 TÉT XVIII. évf Versenyképesség TÁBLÁZAT A klaszterképző főkomponensek összetevői (The Main Elements of the Cluster Forming Principal Components) Változók Súly* (1) Gazdasági főkomponens gazdasági fejlettség mutatója (62%-os sűrítés) Foglalkoztatottak aránya a lakónépességből (%) , lakosra jutó személygépkocsik száma (db) ,80 Adófizetők aránya az állandó népességen belül (%) ,80 1 lakosra jutó adóalap (SZJA) (e Ft/fő) , lakosra jutó távbeszélő fővonalak száma (db) , lakosra jutó működő jogi személyiségű vállalkozások száma (db) ,67 Munkanélküliek aránya a lakónépességből (%) ,56 Inaktív keresők aránya a lakónépességből (%) ,53 1 lakosra jutó iparűzési adó (e Ft/fő) ,43 Tízezer lakosra jutó ügyvédek száma (fő/tízezer lakos) , lakosra jutó regisztrált egyéni vállalkozások száma (db) ,33 (2) Iskolázottság és menedzsment főkomponens fejlett munkaerőpiac (79%-os sűrítés) Vezető, értelmiségi foglalkozásúak aránya az összes foglalkoztatottból (%) ,90 Egyetemi, főiskolai végzettségű foglalkoztatottak aránya az összes foglalkoztatottból 0,89 (%) 2001 Egyéb szellemi foglalkozásúak aránya az összes foglalkoztatottból (%) ,73 Szolgáltatási jellegű ágazatokban foglalkoztatottak aránya az összes foglalkoztatottból 0,65 (%) 2001 (3) Társadalmi aktivitás főkomponens tudatos választói magatartás, virulens civil társadalom, összetett helyi nyilvánosság (60%-os sűrítés) Részvételi arány az EU népszavazáson (%) ,71 1 lakosra jutó szja nonprofit1% felajánlás összege (Ft) , lakosra jutó nonprofit szervezetek száma (db) ,61 Helyi nyilvánossági fórumok összetettsége (TV+Rádió+Kiadók+Lapok) 0,41 (4) Humánerőforrás-főkomponens a felsőoktatási szféra intézményi- és humán állományi súlya (62%-os sűrítés) Vezető oktatók aránya az összes oktatón belül (%) ,75 Főiskolai-egyetemi karok száma (Kar+székhelyen kívüli képzés) (db) ,74 Összes középiskola (db) ,73 A felsőfokú oktatási intézményekben tanulók száma 1000 lakosra vetítve (fő) 0, lakosra jutó MTA köztestületi tagok száma (fő) ,62 25 X éves, egyetemi, főiskolai stb. oklevéllel, összesen (%) ,53 Tízezer lakosra jutó felnőttoktatási központok száma (db) (2003/2001) 0,31 (5) Innovációs főkomponens az innovációs intézményhálózat összetettsége és sűrűsége, az innovációs potenciál mértéke (82%-os sűrítés) Innovatív kezdeményezések száma (db) között 0,94 Bejegyzett domain szerverek száma (db) ,90 K+F cégek száma 7310, 7320-as TEAOR (db) ,84 Az Innovációs és K+F intézményhálózat összetettségi mutatója (8 db intézmény 0,62 alapján) *Az értékek a főkomponens súlyokat mutatják arra utal, hogy mennyiben járul hozzá a változó a főkomponens kialakításához (mekkora arányban őrizte meg a főkomponens az eredeti változó információ tartalmát) Forrás: MTA RKK NYUTI 2003.

6 122 Versenyképesség TÉT XVIII. évf Az innovációs főkomponens mutatója közvetlenül négy, míg közvetve összesen tizenegy változót sűrít össze. A változó szett szerkezete alapján megállapítható, hogy ez a dimenzió főleg a lokális innovatív tevékenységeket, és a hátterükben álló támogató, kiszolgáló valós és digitális intézményrendszert, szolgáltatási miliőt jellemzi. A legnagyobb súllyal az elmúlt tíz évben szabadalmaztatott innovatív kezdeményezéseket, az információs- és kommunikációs technológiák fejlettségét, és a hálózati alapú digitális szolgáltatások sűrűsödését mérő mutatók rendelkeznek. Mivel a városok innovációs potenciálját az említett öt főkomponens adatai alapján fogjuk elemezni, és ezek az értékek lesznek a klaszterezési eljárás függő változói is, mindenképpen át kell tekinteni a főkomponenseket felépítő változókat. A bemutatott változókból kiindulva állt össze a további vizsgálatok alapját képező öt fejlettségi mutató. Azért tartottuk szükségesnek az alkotóelemek részletes bemutatását, mert a hazai városhálózat innovációs potenciáljával kapcsolatos csoportosítási eredményeinket, és az ebből következő minősítéseinket e paraméterek alapján hoztuk meg. Adataink kizárólag ebben a változó struktúrában állják meg a helyüket. Természetesen más állapotmutatók alkalmazása bizonyos mértékben eltérő eredményekhez vezethet. Mégis úgy gondoljuk, hogy a kellően nagy elemszámú és tartalmilag széles körű, átfogó változóhalmaz alkalmazása garantálhatja a főbb trendek, a lényeges szerkezeti sajátosságok pontos meghatározását. A főkomponenseket alkotó változók bemutatása alapján láthatóvá vált, hogy az öt területen mért fejlettségi indexek együtt járnak. Tehát az adatredukcióval kapott értékek iránya megegyezik. A nulla átlagú és egyes szórású standardizált mutatók úgy írják le a gazdaság, az iskolázottság-menedzsment, a társadalmi élet, a humán állomány és felsőoktatás, illetve az innovációs aktivitás és az ehhez kötődő intézményhálózat adottságait, hogy a pozitív értékek az átlag feletti, míg a negatív értékek az átlagtól elmaradó állapotokat tükrözik. A klaszterezési eljárás előtt érdemes áttekinteni az öt mutató eloszlásával, centrális statisztikákkal kapcsolatos jellemzőket, és a fejlettségi mutatók közti összefüggéseket is. A specifikus, közvetlen innovációs jellemzőket mérő két változó (humán és innovációs fejlettségi index) eloszlása jelentősen különbözik a másik három, közvetett jellegű dimenzióban mért gyakorisági struktúrától (2. táblázat). Erre több érték is figyelmeztet: (1) a medián jelentősen lefelé tolódik az átlaghoz képest (-0,30; -0,29), (2) a ferdeséget és a laposságot mérő mutatók kiugróak, jóval a normál eloszlást jelző határ fölöttiek (2,9; 4,0; 8,8; 19), (3) a maximum értékek is kiugróak a standardizált alak ellenére. A gazdasági, az iskolázottsági-menedzsment és a társadalmi adottságokat sűrítő mutatók normál eloszlást mutatnak, sokkal kiegyensúlyozottabb a megoszlási struktúra mindkét farka (pozitív és negatív). Ezzel szemben a konkrét innovációs elemek elferdítik a városhálózat tagjainak eloszlási görbéjét, néhány kiugró érték mellett az átlag alatti települések nagy tömegét találhatjuk. A statisztikákból arra következtethetünk, hogy a gazdaság, a társadalmi élet és a munkaerő-piaci struktúra esetében a városok két, nagyjából egyenlő nagyságú blokkra bomlanak fel: az átlagosnál kedvezőtlenebb és az átlag feletti paraméterekkel rendelkező városok aránya

7 TÉT XVIII. évf Versenyképesség 123 tehát azonos. Az innovációs potenciálban komoly szerepet játszó humán felsőoktatási kutatási szféra súlyát és az innovációs környezetet, valamint a tényleges eredményeket mérő két főkomponens ezzel szemben sokkal kiegyenlítetlenebb megoszlása arra világít rá, hogy a városok legtöbbje jelentős lemaradásban van az innovációs elittől. A humán állomány tekintetében 78%-uk, az innovációval kapcsolatban pedig 76%-uk az összesített városi átlagérték alatt van. A főkomponensek leíró statisztikáinak áttekintése alapján egyértelműen látszik, hogy az innovativitáshoz szorosabban kötődő specifikus mérőszámok esetében nem egyenletes arányú a városok teljesítményének megoszlása. A gazdaság, az iskolázottság, a társadalmi élet esetében nagyjából azonos várostömeggel operálhatunk a fejletlen átlagos fejlett kategóriák mentén. A másik két főkomponens esetében viszont aránytalanul szakad ketté a hazai városhálózat. Előre jelezhető, az érintetteknek csak egy szűkebb köre mondhatja el magáról, hogy olyan gazdasági- és társadalmi háttérfeltételekkel rendelkezik, amelyek kedveznek a K+F folyamatoknak, az új termékek és/vagy szolgáltatások bevezetésének. 2. TÁBLÁZAT A főkomponensek leíró adatai (Describing Data of Principal Components) Gazdaság Főkomponensek Iskolázottság Társadalom Humán állomány Innováció Elemszám Érvényes Hiányzó Átlag Szórás Medián -,02 -,10 -,07 -,30 -,29 Ferdeség,17,57,41 2,91 4,01 Laposság -,42 -,04 -,20 8,79 19,02 Minimum -2,22-1,74-2,03 -,71 -,55 Maximum 3,31 3,22 3,04 5,03 6,31 Kvartilisek 25% -,75 -,77 -,72 -,50 -,46 50% -,02 -,10 -,07 -,30 -,29 75%,76,65,63 -,07 -,02 Forrás: MTA RKK NYUTI A klaszterelemzés során felhasználandó öt változó közti kapcsolat iránya és erőssége tovább árnyalja az előzetes vizsgálatot (3. táblázat). A korrelációs együtthatók a várakozásoknak megfelelően pozitív értéket mutatnak, ami az egyes dimenziókban jellemző fejlettségi paraméterek együtt járását erősíti meg. A kapcsolatok iránya mellet nem okoz különösebb meglepetést a mutatók értéke sem, még a leggyengébb összefüggés esetén is 0,473-as koefficienssel találkozhatunk. A humán és

8 124 Versenyképesség TÉT XVIII. évf az innovációs adottságok viszonya a legerősebb (0,873), de világosan látszik a társadalmi aktivitásnak a gazdasági, illetve iskolázottsági-menedzsment alapú komoly mértékű befolyásoltsága is. Az öt index valós kölcsönhatásának léte különös tekintettel arra, hogy az innovációs főkomponenssel szoros kapcsolatban áll a másik négy is megerősíti azt a feltételezésünket, mely szerint van létjogosultsága egy olyan átfogó mutatórendszer alkalmazásának az innováció-kutatásban, amely nemcsak a humán- és gazdasági paraméterekkel operál, hanem figyelembe veszi a jóval puhább társadalmi adottságokat is. Illetve leképezi azt a munkaerő-piaci szerkezetet is, amely az innovativitás szempontjából optimális sőt talán elengedhetetlen alaptényező lehet. 3. TÁBLÁZAT A főkomponensek közti korrelációs együtthatók (Pearson)* (Correlation Coefficients of the Principal Components) Gazdaság Iskolázottság Társadalom Humán állomány Innováció (G) (IM) (T) (H) (I) Gazdaság (G) Iskolázottság (IM),643 Társadalom (T),827,755 Humán állomány (H),521,656,671 Innováció (I),473,587,568,873 *p<0,01 Forrás: MTA RKK NYUTI Csoportosítási alternatívák lehetséges fejlettségi klaszterek Az általunk összerakott sűrített fejlettségi mutatók segítségével megpróbáljuk úgy osztályozni (k-mean- és nem-hierarchikus klaszterelemzéssel) a hazai városokat, hogy egyszerre lehessen figyelembe venni a helyi innovációs potenciált pozitívan befolyásoló, ösztönző faktorokat. Tartalmi szempontból a teljes modell mellett célszerűnek tűnik egy redukált megközelítés alkalmazása is. Ez már csak tisztán arra összpontosít, hogy milyen fejlettségi szegmensekre bomlik a városhálózat az innovációs intézményrendszer és humán állomány szempontjából. Az eloszlási függvények torzultsága is elengedhetetlenné teszi a két konkrétabb, jóval specifikusabb főkomponens megkülönböztetett státuszát az elemzésben. Innovációs klaszterek a teljes modell alapján A nem-hierarchikus módszer alkalmazásakor nem számíthatunk arra, hogy pontos klaszterszámmal operálhatunk. Az előzetes elképzelés megfogalmazása pedig a témakör korábbi vizsgálatainak hiányában merész vállalkozásnak tűnne. A lehetséges klaszterszámot lépésenként növelve követtük nyomon a csoportképződés folyamatát. Ha elvonatkoztatunk a klaszterek tartalmi paramétereitől, azaz a klaszter középpontokat nem vesszük figyelembe, hanem csak az egyes csoportok numerikus

9 TÉT XVIII. évf Versenyképesség 125 súlyát, akkor már rögtön az első lépésben (ez egy viszonylag egyszerű bontás három klaszter elkülönülésével) leválik egy szűkebb városhalmaz (23 település), és mellette két nagyobb blokk különül el. A klaszterek számának növekedésével négytől egészen nyolcig elsősorban ez a csoport differenciálódik tovább. A másik két nagyobb halmaz homogén marad még a nyolcas megoldásnál is. Ha a klaszter középpontokat megnézzük, egyértelművé válik, hogy kirajzolódik egy olyan kiugró csoport, amely markánsan elkülönül a többiektől, mivel mind az öt index esetében messze maga mögé utasítja azokat. Kutatásunkban persze úgy szeretnénk vizsgálni az innovációs adottságokat, hogy a kevésbé fejlett térségek városaihoz is hozzá tudjunk rendelni egy lehetséges osztályozási sémát. Bizonyos kompromisszumos megoldásra van tehát szükségünk. Ennek érdekében a 23 kiugró várost leválasztjuk, és az ő esetükben a hierarchikus módszerrel keressük a belső csoportstruktúrákat. A többi 228 város tekintetében megmaradunk a nagy elemszámot is kezelni tudó K-Mean módszernél. A két eltérő eljárás eredményeit összegezve húzzuk meg a fejlettségi csoportok határvonalait egy olyan egységes felosztásban, amely a nagy többséget is képes kielégítően differenciálni, és kellően homogén csoportokba rendezni. A hierarchikus klaszterezési folyamat során elénk tárul valamennyi olyan lehetőség, amely az összes megfigyelési egység önálló klaszter, illetve az összes megfigyelési egység egyetlen klaszter, mint két szélső pólus között elképzelhető csoportosulási forma. Az optimális szerkezet e két alternatíva között található meg valahol. A klaszterek elhatárolásához segítséget nyújthat a dendogram (1. ábra), amivel pontosan nyomon lehet követni a különböző számú csoport-alternatíva öszszetételét, és az összevonódás, vagy éppen elszakadás pontos helyét. Ha csak a szemmértékünk alapján keresünk innovációs klasztereket, akkor is jól látszik, hogy a budapesti agglomerációhoz tartozó Budaörs és Budakeszi külön-külön is önálló klasztert alkot; paramétereikben egyáltalán nem hasonlítanak a többi városra. Rajtuk kívül hat, világosan elkülönülő blokkot láthatunk. Az öt mutató alapján kirajzolódó csoportok nagysága és összetétele mellett az is releváns kérdés, hogy milyen lépésekben épülnek ki a klaszterek, milyen sorrendben vonódnak össze a városok, melyek állnak egymáshoz a legközelebb a korábban már ismertetett 5 dimenziós térben (4. táblázat)? A hasonlóságon alapuló összekapcsolódási láncolat elemeit kigyűjtöttük, pontosan feltüntettük az egyes lépésekben összefonódó településeket és településcsoportokat. Az alább ismertetésre kerülő összekapcsolódási pontok elhelyezkedése megvilágítja a Budaörs Budakeszi páros beintegrálódási nehézségeit. Ők az utolsó csatlakozó városok a modellben, még akkor is elkülönülnek a többiektől, amikor már a többi 21 különleges helyzetű település egységes csoportot alkot (majd csak a városok fejlettségi mutatói fogják megmutatni a különállás pontos okát). A Keszthely Gödöllő Gyöngyös triád tagjai is csak a folyamat végső fázisa felé közeledve állnak össze egységes csoporttá. Az első 5 10 lépésben formálódnak ki a legszorosabban összetartozó párok, kisebb klikkek (ezek azok a városaink, amelyek az általunk használt mutatórendszer fejlettségi indexei alapján a leginkább hasonlítanak egymásra).

10 126 Versenyképesség TÉT XVIII. évf ÁBRA Lehetséges innovációs klaszterek a 23 kiugró városon belül (Possible Innovation Clusters among the 23 Isolated Towns) Esetek Címke Szám KAPOSVÁR 13 òûòø EGER 14 ò ó VESZPRÉM 4 òûòôòø BÉKÉSCSABA 8 ò ó ó SZOMBATHELY 1 òûò ó SOPRON 3 ò ó SZENTENDRE 9 òûòø ùòòòø SZEKSZÁRD 15 ò ùòú ó ZALAEGERSZEG 21 òòò ó ùòòòòòø SZOLNOK 19 òòòòò ó ó KESZTHELY 11 òòòòòûòø ó ó GÖDÖLLŐ 22 òòòòò ùò ó GYÖNGYÖS 2 òòòòòòò ùòòòòòòòø GYŐR 17 òûòø ó ó KECSKEMÉT 18 ò ùòø ó ó SZÉKESFEHÉRVÁR 6 òòò ó ó ó PÉCS 12 òø ùòòòòòòòòò ùòòòòòòòòòòòòòòòòòòòòòòòòòø SZEGED 23 òôòø ó ó ó DEBRECEN 7 ò ùò ó ó NYIREGYHÁZA 10 òòòú ó ó MISKOLC 20 òòò ó ó BUDAÖRS 16 òòòòòòòòòòòòòòòòòòòòòòò ó BUDAKESZI 5 òòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòòò 1. Klaszter (3 város) 2. Klaszter (2 város) 3. Klaszter (3 város) Szeged Miskolc Győr Pécs Nyíregyháza Székesfehérvár Debrecen Kecskemét 4. Klaszter (6 város) 5. Klaszter (4 város) 6. Klaszter (3 város) Sopron Szentendre Gyöngyös Szombathely Szekszárd Keszthely Veszprém Zalaegerszeg Gödöllő Békéscsaba Szolnok* Kaposvár Eger Az innovatívak csoportjához tartozik még két fővárosi agglomerációs település Budaörs és Budakeszi *Szolnok besorolásához a konkrét fejlettségi mutatókat vettük alapul. A munkaerőpiac és a humánerőforrás-állomány tekintetében különösen közel áll az 5. klaszter tagjaihoz, ezért nem hagytuk meg önálló szereplőként, hanem beléptettük. Forrás: MTA RKK NYUTI 2003.

11 TÉT XVIII. évf Versenyképesség 127 Mint látható, a hasonló adottságokat mutató településpárokat összevonva épülnek ki a lehetséges klaszterek. Gyakran csak egy-egy várossal bővül a kör, de az is megfigyelhető, hogy a korábban összevont diádok, vagy éppen triádok olvadnak egybe. Említésre méltó, hogy a hamar összetapadó Pécs Szeged Debrecen csoport kibővül a Miskolc Nyíregyháza, majd a Győr Kecskemét Székesfehérvár együttessel, és a klaszterszám redukció folyamatában igen hosszú ideig szorosan együtt marad. Valójában csak akkor tudnánk más településeket is hozzárendelni ehhez a blokkhoz, ha lényegében az összes többi város egységes blokkjához csapnánk hozzá őket. Megállapításainkkal csak arra szeretnénk utalni, hogy elképzelhető lett volna egy egyszerűbb, nagyvonalúbb felosztás is. Az általunk választott klaszterszám helyességét majd az egyes csoportokra jellemző fejlettségi mutatók által interpretált tulajdonságrendszer relevanciája fogja tesztelni. 4. TÁBLÁZAT A csoportképződés lépcsőfokai az összevonódások sorrendje (Main Steps of Grouping Rank of the Intergrowth) Párok, klikkek: 1) Kaposvár Eger (2) 2) Pécs Szeged (2) 3) Pécs Szeged Debrecen (3) 4) Győr Kecskemét (2) 5) Szentendre Szekszárd (2) 6) Veszprém Békéscsaba (2) 7) Sopron Szombathely (2) 8) Veszprém Békéscsaba Kaposvár Eger (4) 9) Nyíregyháza Miskolc (2) Ezekre épülő nagyobb blokkok: 10) Győr Kecskemét Székesfehérvár (3) 11) Szentendre Szekszárd Zalaegerszeg (3) 12) Veszprém Békéscsaba Kaposvár Eger Sopron Szombathely (6) 13) Pécs Szeged Debrecen Nyíregyháza Miskolc (5) 14) Pécs Szeged Debrecen Nyíregyháza Miskolc Győr Kecskemét Székesfehérvár (8) 15) Veszprém Békéscsaba Kaposvár Eger Sopron Szombathely Szentendre Szekszárd Zalaegerszeg (9) 16) Veszprém Békéscsaba Kaposvár Eger Sopron Szombathely Szentendre Szekszárd Zalaegerszeg Szolnok (10) 17) Keszthely Gödöllő (2) 18) Keszthely Gödöllő Gyöngyös (3)... (itt már csak az egyes nagyobb blokkok kapcsolódnak össze) 21) Budaörs (utolsó előtti csatlakozó) 22) Budakeszi (utolsó csatlakozó) Magyarázat: A zárójelben szereplő szám [pl. (5)] a csoport nagyságára utal. A dőlt betűs városok, városcsoportok az újonnan csatlakozókat szimbolizálják. Az aláhúzott csoportok az általunk lehatárolt végső klasztereket jelölik. Forrás: MTA RKK NYUTI 2003.

12 128 Versenyképesség TÉT XVIII. évf A hazai városhálózat nagy részét magában foglaló másik mintánk esetében nem tudunk olyan részletes csoportosulási folyamatokat prezentálni, mint a hierarchikusan elemzett kiugró paraméterű településblokkban. Ez egyértelműen az eltérő módszertani sajátosságokból fakad. Ezeknél a városoknál az volt a célkitűzésünk, hogy (1) világosan körülhatároljuk az innovációs potenciál szempontjából a második vonalhoz tartozó városok csoportját, (2) illetve kielégítő mértékű belső differenciáltságra bukkanjunk a városhálózat legnagyobb tömbjét kitevő átlagos, vagy átlag alatti adottságokkal rendelkező települések körében. Az eredmények előtt egy fontos dolgot meg kell említeni: a 228 városra lefutatott K-Mean eljárás eredményeinek ellenőrzését szolgáló variancia-analízis F-értékei arra figyelmeztetnek, hogy a klaszterek kialakításában a fejlettségi mutatók szerepe jelentősen megváltozott (5. táblázat). Itt már a társadalmi, a gazdasági és az iskolázottsági-menedzsment dimenziók jelentik a fő differenciáló erőt. Ezen nem is lepődhetünk meg, hiszen az innovativitással összefüggő humán állomány, a felsőoktatási, illetve kutatásfejlesztési szféra, az új termékek, szolgáltatások léte, nem is beszélve az innovációt támogató, kiszolgáló intézményhálózat jelenlétéről vagy mérsékelt volumenű, vagy teljesen hiányzik. 5. TÁBLÁZAT A K-Mean Klaszter módszerrel készített csoportosítás eredményei a 228 fős városblokk esetében (Results of the Grouping by the K-Mean Cluster Methodology for the 228 Towns) Dimenziók Teszt ANOVA Osztályozás Klaszter középpontok F-érték Szig. Klaszterek N G IM T H I Gazdaság (G) 146,0, db -1,04-1,06-1,14-0,58-0,47 Iskolázottság (IM) 129,0, db 0,54-0,15 0,34-0,26-0,22 Társadalom(T) 163,4, db -0,58-0,08-0,37-0,33-0,31 Humán állomány(h) 98,8, db 0,46 0,60 0,48 0,52 0,34 Innováció (I) 49,8, db 1,16 1,21 0,98-0,05-0,05 Átlagérték -0,15-0,19-0,19-0,28-0,25 Forrás: MTA RKK NYUTI Több alternatív klaszterszám értékelése után végül is egy olyan csoportosítási formát fogadtunk el, amely öt különálló szegmensre bontja ezt a nagy elemszámú településhalmazt. Az ötös csoportosítás mindkét célkitűzésünk szempontjából kedvező elkülönüléshez vezet. Feltevésünket a klaszter középpontok értékei mint az egyes csoportok tipikus jegyeinek hordozói igazolhatják. (1) Célkitűzés a második vonal városainak lokalizálása: két, viszonylag kisebb elemszámú klaszter (20 és 23 városról van szó) esetében átlagos, vagy gyakran átlag feletti adottságokkal találkozhatunk. Ez a tömb lényegében az innovációs adottságok szempontjából kiformálódó hierarchia középmezőnyét testesíti meg. (2) A kedvezőtlenebb potenciállal rendelkező városok belső differenciáltsága: az első három klaszter több mint 180 várost tömörítve leképezi a városhálózat innováció szempontjából kedvezőtlen kilátásokkal rendelkező igen népes csoportját, de úgy, hogy kidomborodjanak a

13 TÉT XVIII. évf Versenyképesség 129 különböző vizsgálati tényezők alapján fennálló egyenlőtlenségek is. Valójában itt az elmaradottság fokozatbeli különbségeivel találkozhatunk, ha összehasonlítjuk az egyes csoportok fejlettségi mutatóit. A kétlépcsős műveletben végül is sikerült elhatárolni egymástól tizenegy olyan csoportot, amelyek a gazdasági társadalmi iskolázottsági humán innovációs tengelyek mentén kifeszülő térben viszonylagos belső homogenitást mutatnak, és ezzel párhuzamosan markánsan el is különülnek egymástól. A tizenkettedik csoportba a két fővárosi agglomerációs település került, akik önálló életet élnek ebben a viszonyrendszerben. A hierarchikus és a K-Mean módszer segítségével nyert városcsoportokat egy egységes rendszerbe vontuk össze, ahol értelemszerűen a korábbi klaszter jelölésük is módosult. A fejlettségi csoportok bemutatásához az öt mutató centrális statisztikáinak klaszterenkénti összehasonlítására van szükség. Csak így lehet konkrét, specifikus tulajdonságokat rendelni az egyes csoportokhoz, mégpedig az öt dimenzió együttes figyelembevételével. Az alábbiakban először összerendezzük az innovációs potenciál tekintetében elkülönült klasztereket fejlettségük szerint. Ezután karakterizáljuk az egyes csoportokat az öt vizsgálati szempont tekintetében leginkább jellemző átlagértékek összehasonlítása alapján. Az öt dimenzióban megfigyelhető csoporttulajdonságokat két formában közöljük. Egyrészt a pontos átlagértékeket, külön kiemelve a domináns megkülönböztető jegyeket, másrészt az indexek alapján megfogalmazott és az összesített átlagtól mért eltérésekre alapozott minősítéseket (6. táblázat). A 23 legfejlettebb város egymáshoz viszonyított helyzetét a klaszterképző dimenziók által kifeszített kétdimenziós terekben is megjelenítjük a pontdiagramok segítségével (2. ábra). A megújulóképesség szempontjából elkülönített csoportok leírásához kiegészítésként a mellékletben közöljük (1. és 2. melléklet) a városhálózat fejlettségét mérő eredeti adatsor konkrét értékeinek átlagait is. A standardizált értékek mellett az eredeti változók sokkal beszédesebbek. Segítségükkel könnyebben értelmezhetővé válnak a klasztereket egymástól elhatároló különbségek. Az első klaszter három nagyvárosa (Szeged, Pécs, Debrecen), mint tradicionális regionális központ a felsőoktatási és innovációs folyamatok fókuszpontjában állnak kedvező munkaerő-piaci és gazdasági paraméterekkel. A teljes nem fővárosi városi populáció (összesen 5 millió főről van szó) több mint 10%-át felszívó centrumok a hazai városhálózat leginnovatívabb tagjai. Elsődleges megkülönböztető jegyük a magasan átlag feletti iskolázottságra, a tudásorientált munkaerőpiac jelenlétére utaló jellemzők mellett a humán- és az innovációs mutatók kiugróan magas átlagértéke. Az innovációval összefüggő fejlettségi dimenziók tekintetében szintén az élvonalhoz tartozó olyan centrumszerepkörű nagyvárosok tartoznak a második klaszterbe (Miskolc és Nyíregyháza), akik inkább csak a gazdasági paramétereikben maradnak alul. A teljes nem fővárosi városi populáció 6%-át kitevő két település gazdasági adottságai a teljes városhálózat viszonylatában is csak átlag közeliek. A ma még elmaradottabb gazdasági potenciál növekedése esetén minden adott lesz a fokozottabb és sikeresebb innovatív szerepvállaláshoz.

14 130 Versenyképesség TÉT XVIII. évf

15 TÉT XVIII. évf Versenyképesség 131

16 132 Versenyképesség TÉT XVIII. évf ÁBRA A hat legfejlettebb klaszterben tömörülő városok helyzete az egyes csoportképző dimenziók alapján (The Position of the Towns in the Six Most Developed Clusters by the Group Forming Dimensions) Forrás: MTA RKK NYUTI A harmadik klaszter tagjai, Győr, Székesfehérvár és Kecskemét (7%-os populációs ráta) szintén a kiugró innovációs adottságú városok közé tartoznak abban az esetben, ha a teljes halmazt vesszük alapul. Lényegében az innovációs kezdeményezések száma magas, az intézményrendszer is adott, de a megfelelő humán potenciál mérsékeltebb. A többiektől elkülönülő másik közös karakterjegy a nagyon fejlett gazdasági jellemzők léte, a bevont külföldi tőke jelentős aránya. A negyedik csoport tagjai, mint a másodlagos, nem annyira dinamikus központok reprezentánsai (pl. Sopron, Szombathely, Eger) elsődlegesen a felsőoktatási funkcióik miatt sorolhatók az innováció szempontjából megkülönböztetett helyzetű

17 TÉT XVIII. évf Versenyképesség 133 klaszterek közé. A nem fővárosi városi populáció 8%-át kiadó hat város mindegyik mutató esetében átlag feletti adottságokkal rendelkezik, de az innovativitási rátájuk jóval mérsékeltebb a korábbiaknál tapasztaltakhoz képest. A humán jellegű, felsőoktatáshoz kötődő elemek már adottak, kedvezőek a gazdasági- és társadalmi feltételek is. Problémás viszont az innovációt segítő és kiszolgáló intézményrendszer helyi korlátozott jelenléte, a megvalósult újító kezdeményezések alacsony aránya. Az ötödik klaszter városai (pl. Szentendre, Zalaegerszeg, Szolnok) már semmiképpen sem nevezhetők centrális szerepkörű településeknek az innovációs jellemzők és a felsőoktatási-kutatási adottságok szempontjából. A városi lakosság 4%-át tömörítik. Nagyjából egységes a fejlettségi szintje a humán- és a konkrét innovációs dimenziónak. Sajátos megkülönböztető jegyük, egyrészt a burjánzó társadalmi élet, másrészt a magas iskolázottsági mutatók, valamint a tudásorientált, vezetőiértelmiségi pozíciók lakosságszámra vetített mérőszámainak kedvező értékei. Külön klasztert alkot a kevesebb mint főt reprezentáló három, döntően felsőoktatásra orientálódó középváros (Gyöngyös, Keszthely, Gödöllő). A megújuláshoz szükséges háttérelemeket mérő fejlettségi mutatóik egységesen kedvezőek, de nagyfokú disszonancia jellemzi a fejlettségi indexeket. Noha a felsőoktatás és a kutatás-fejlesztés jelenléte, a megfelelő lokális humán állomány aránya kiugróan magas, csak átlagos szintű a helyi újító jellegű kezdeményezések száma. Az innovációs intézményrendszer heterogenitása is jóval mérsékeltebb az előző klaszterek tagjaihoz képest. A fővárosi agglomerációs gyűrű két települése, új szerveződési központja Budaörs és Budakeszi teljesen kilógott a rendszerezésből. Közös jellemzőjük a kiugró gazdasági és munkaerő-piaci adottság, a jó innovációs potenciál mérsékelt humán (felsőoktatási és K+F) paraméterekkel. A gazdasági- és az iskolázottsági adottságok, valamint a fejlett tudásalapú, képzettség-orientált pozíciók helyi munkaerő-piaci jelenlétét mérő aránymutatók tekintetében messze elkülönülnek a többi várostól. A megújuló képesség tekintetében második vonalhoz sorolható városhalmaz 43 települést ölel fel az ország különböző pontjain szétszórva és két klaszterbe tömörülve. A fős összlakossági ráta alapján a nem fővárosi városi populáció egyötöde él itt. A hetedik klaszter tagjaira jellemző, hogy a csoportosítási mutatók mindegyike mérsékelten fejlett állapotokat tükröz, úgy hogy a humán- és az innovációs adottságok is kicsivel az átlagérték felettiek. A tagok, lényegében azt a vonatkoztatási halmazt jelölik ki, amelyben olyan városok szerepelnek, akik az átlagos, a teljes városhálózatra jellemző fejlettségi paraméterek környékén, vagy kicsivel felette helyezkednek el. A korábbi és a jelenlegi ipari centrumok, a szocialista iparvárosok legtöbbje, kedvezőtlenebb helyzetű megyei központok sorolhatók ide. Komoly átalakulási, szerkezetváltási hatások érték őket, ami a reakcióktól függően kétesélyes fejlődési pályaívet hordoz. A nyolcadik csoport az üdülővárosok, az idegenforgalmi potenciálra építő települések, a kistérségi központok és az újonnan létrejött ipari centrumok gyűjtőhelye. Kedvezőek a gazdasági- és munkaerő-piaci lehetőségek. A foglalkoztatottak körében a városi átlagot meghaladja a diplomások, a vezető-értelmiségi beosztásúak aránya. Az újítóképesség szempontjából viszont az

18 134 Versenyképesség TÉT XVIII. évf elengedhetetlen humán- és intézményi jellegű szegmensben nem figyelhetünk meg az átlagosnál magasabb mérőszámokat. Ugyan fejlettebbek a gazdasági paramétereik a hetedik csoport tagjaihoz képest, de az innovatívitással összefüggő elemekben elmaradnak. A hazai városhálózat több mint 180 szereplője több mint 2 millió emberről van szó egyszerűbb formában egy olyan egységes klasztert alkotna, amelynek alapvető konstrukciós eleme az alulfejlettség. A következő három csoport elkülönítését igazából az elmaradottság fokozatainak kimutatása indokolhatná. Ezekben a csoportokban már nem a humán elem, nem az innovációs intézményrendszer heterogenitása, és nem is a felsőoktatási funkciók különböző szintű megvalósulása a vezető differenciáló erő. Az innováció ösztönzésében, támogatásában, a helyi gazdaság és társadalom megújulásában egységesen nagyarányú az elmaradottságuk. Viszont a gazdasági potenciál, az iskolázottság és a civil szféra életképessége, a helyi nyilvánosság sokoldalúsága egyértelműen szétbontja ezt a nagy tömböt három eltérő fejlettségű csoportra. A kilencedik klaszter tagjaira átlagos gazdasági és társadalmi mutatók jellemzőek, kedvezőtlen innovációs lehetőségek, a megfelelő humán állomány hiánya mellett. A tizedikben a kedvezőtlen innovációs, felsőoktatási és K+F jellegű adottságok mellé mérsékelten fejletlen gazdasági és társadalmi jellemzők párosulnak. A legutolsó csoportban vannak a hazai városhálózat leghátrányosabb helyzetű települései, egységesen rossz fejlettségi mutatókkal, az innovációs potenciál teljes hiányával. A klaszterek interpretálásában szerepet játszó klaszterátlagok jól szemléltetik a három elmaradottsági szintet (6. táblázat). Igazából csak a 9. klaszter városai lógnak ki a sorból bizonyos értelemben, hiszen az ő esetükben a gazdasági- és társadalmi paraméterek átlag közeliek, és csak a konkrétabb mérőszámok esetében mutatható ki lemaradás. Ők hasonlítanak a 7. klaszter tagjaihoz a gazdasági és társadalmi mutatók tekintetében, de az innovációs jellemzők már radikálisan különböznek. Ezeknek a városoknak a legnagyobb mértékben az nehezíti meg a dolgát a megújuló képességük fejlesztése szempontjából, hogy egy összetett problémakörrel kell megküzdeniük. Az innovatív lehetőségek hátterében álló konfiguráció minden eleme különböző mértékben ugyan de kedvezőtlen képet mutat. A jövőben, esetükben egyszer kellene megoldani az alábbi problémákat: 1) alacsony foglalkoztatottság, háztartások gyengébb fizetőképessége, szűk vállalkozói szféra, alacsony adóbevételek, 2) gyenge civil élet alacsony támogatásokkal, állampolgári passzivitás, korlátozottabb helyi nyilvánosság, 3) alulfejlett munkaerőpiac, a diplomás, vezető- és szellemi foglalkozású lokális munkaerő hiánya, a szolgáltató szektor visszafogott helyi jelenléte. Ezek mellett pedig szinte teljesen hiányoznak a kutatási-fejlesztési folyamatokhoz, az újító ötletekhez nélkülözhetetlen humán- és intézményi feltételek, az az innovációs miliő, amely megfelelő táptalajt nyújt az ilyen folyamatoknak a gazdasági mezőben, az igazgatási szférában, az egészségügyben, vagy éppen az oktatásban.

19 TÉT XVIII. évf Versenyképesség 135 A részleteket figyelmen kívül hagyva, térjünk ki az általunk alkalmazott vizsgálati dimenziók együttes csoportstruktúrájára is. A klaszterek megoszlása (3. ábra) talán a hazai városhálózat egyik legfontosabb sajátosságára világít rá az innovációs hajlam- és adottságok terén. Mivel a klaszterek sorrendje nagyjából a fejlettségbeli különbségeket követi, ezért alkalmas a városi innovációs potenciál makrostruktúrájának megragadására. A 251 város 75%-ában nem bukkanhatunk kedvező jellemzőkre az innovációs konfiguráció egyik komponensében sem. A klaszterekbe tömörülő várostömeg jelenleg még nem rendelkezik a lokális jellegű megújulási folyamatokat megalapozó gazdasági, társadalmi, oktatási és kutatási adottságokkal, illetve az ezekre épülő funkciókkal. Számolhatunk egy másik nagyobb tömbbel is (7. és 8. klaszter). Ezt a két csoportot második vonalnak neveztük el, mivel ők már átlagos, vagy egy kicsivel átlag feletti paraméterekkel rendelkeznek. A városok 17%-ában tehát már ma is megtalálható a későbbi fejlődés számos alappillére az intézményrendszer és a humán elemek tekintetében. Igazából fejlett, már jelenleg is mérvadó innovációs adottságokkal, és az ezekkel szorosan összefüggő kedvező gazdasági-iskolázottsági-társadalmi paraméterekkel csak egy nagyon szűk kisebbség rendelkezik. Jelenleg Magyarországon az általunk összeállított és alkalmazott tényezők figyelembevételével arra a megállapításra juthatunk, hogy csak a városhálózat 8%-os tömbje jöhet számításba akkor, ha kedvező innovációs potenciálról beszélünk. 3. ÁBRA Az innovációs adottságok alapján elkülönített 11 klaszter megoszlási struktúrája a hazai városhálózatban (%) (The Frequency of the 11 Clusters in the Hungarian Urban Network Separated by the Innovation Conditions % városklaszter az öt főkomponens alapján Forrás: MTA RKK NYUTI 2003.

20 136 Versenyképesség TÉT XVIII. évf Innovációs klaszterek a részleges modell alapján Az öt fejlettségi dimenzió alapján kialakított csoportosítási szisztémát újrafuttatva egy redukált modellben figyelmen kívül hagyja a gazdasági, a társadalmi, illetve az iskolázottság-menedzsment dimenziót a klaszterek számában és a klaszterösszetételben bekövetkező változásokat, elmozdulásokat kísérjük figyelemmel. Kizárólag a humán- és az innovációs főkomponens által tömörített paraméterekkel foglalkozunk. Indokoltnak tűnik a próbálkozás, hiszen ez a két specifikusabb összevont fejlettségi index nagyon markáns egyenlőtlenségeket képez le a 251 város tekintetében. Sokkal nagyobb aránytalanságokat reprezentál, és igazán karakteresen kiemeli a legfejlettebb településeket. Várhatóan a humán- és innovációs mutatók alapján konkrét fejlettségbeli különbségeket csak az első- és második vonalhoz tartozó városok (nagyságrendileg településről van szó) körében tudunk majd kimutatni. Éppen ezért csak az átlagosnál kedvezőbb adottságú városok szűkebb mintájával foglalkozunk, újragondolva a kérdéskört, tovább finomítva a korábbi eredményeket. A nem-hierarchikus klaszterelemzés során számos alternatív klaszterszámot megvizsgáltunk, de a teljes populáció körülbelül 80%-át jelentő átlag alatti mutatókkal rendelkező városhalmazt egyik esetben sem tudtuk tovább bontani. A redukált modellben is csak a városok 18 20%-a tekinthető releváns szereplőnek a megújulóképesség mérése, értékelése tekintetében (7. táblázat). A végső klaszter középpontok segíthetnek abban, hogy jellemezni tudjuk a csoportokat. A három elemű első klaszterben találhatók meg az innovativitás szempontjából legfejlettebbnek tekinthető városaink, itt a humán- és az innovációs index is kiugró. Hét olyan várost különíthetünk el, amelyek ugyan mérsékeltebben de még szintén kiemelkedő adottságokkal rendelkeznek mindkét területen, egységesen magas értékű mindkét mutatójuk (2. számú klaszter). A harmadik csoport kilenc városa abban hasonlít egymásra, hogy inkább csak a humán jellegű, elsődlegesen felsőoktatási és kutatás-fejlesztési jellemzőik jók. Az összes város 11%-át kitevő 4. klaszter pedig azokat a településeket fogja össze, amelyek az innovációs potenciál szempontjából éppen csak átlag feletti mutatókkal rendelkeznek. Ha megnézzük a klaszterek tagjainak listáját, és külön figyelmet fordítunk a klaszter középponttól mért távolságok nagyságára is, akkor világossá válik, hogy ebben a 46 fős almintában célszerű lenne finomítani az osztályozást, mivel mindegyik csoport esetében több város is a klaszterek peremén helyezkedik el. Problémákba ütközünk már rögtön a 2. csoport esetében, ahol Budaörs és Miskolc nagyon távol áll azoktól a jellemzőktől, amelyekkel leírtuk a klasztert, de Gödöllő és Szolnok is hasonló cipőben jár, sőt a legnépesebb 4. blokkban már 4 5 város elhelyezkedése kérdéses. Összességében tehát a nem-hierarchikus eljárás segítségével sikerült kirostálnunk a kérdéskör szempontjából mérvadó városokat, és kialakítani egy olyan nagyvonalú csomósodási struktúrát, amely megjelölte a főbb egyenlőtlenségeket, a differenciáló erővonalakat, és azokat a megfigyelési egységeket is, amelyek besorolása talán nehézségekbe fog ütközni. A részletesebb elemzésben ismét a hierarchikus módszer segíthet.

21 TÉT XVIII. évf Versenyképesség 137

22 138 Versenyképesség TÉT XVIII. évf

23 TÉT XVIII. évf Versenyképesség 139 A klaszterképző dimenziók csökkentése az egyik oldalon nyereséget hoz a csoportosítási eljárásban. Az innovációs miliő komponenseinek csak azokat az elemeit őrzi meg, amelyek a szűkebb keresztmetszetű, de mindenképpen specifikusabb paraméterek. Hátránya, hogy az általunk alkalmazott adatredukciós eljárás során összetömörített változószettben a felsőoktatás, a K+F, az innovációs intézményrendszer összetettsége játszik domináns szerepet, és kimaradnak az egyéb gazdasági, munkaerő-piaci, iskolázottsági adottságok. A 46 átlag feletti innovációs adottságokkal rendelkező város a hierarchikus klaszterező módszerrel viszont már hat csoportra bontható (8. táblázat, 7. ábra). Budaörs és Gödöllő nem sorolható be egyetlen halmazba sem. A két város elszigeteltsége abból fakad, hogy nagyon markáns disszonancia jellemzi őket a két dimenzió együttes használatakor (Budaörs: nagyon magas innovációs potenciál, elhanyagolható humán elem mellett; Gödöllő: nagyon kedvező humán, különösen felsőoktatási adottságok, elhanyagolható konkrét innovációs kapacitások mellett). A Debrecen Pécs Szeged trió teljesen elkülönül a többi várostól, és nem is bomlik meg a klaszterek számának növelésével. Kisebb csoportszámnál még azonos adottságúnak tűnik Veszprém, Székesfehérvár, Nyíregyháza, Kecskemét, Győr és Miskolc is, de az árnyaltabb csoportosítás esetében a Győr Miskolc diád leszakad és önálló életet kezd élni. Nagyon koherens belső szerkezetről tanúskodik a Szombathelyet, Sopront, Kaposvárt, Egert, Gyöngyöst és Keszthelyt magában foglaló klaszter is, hiszen a tagok mindvégig együtt maradnak. A városok innovációs fejlettségén alapuló csoportosítás nem sokban különbözik a teljes modellnél megfigyelt eredményektől. A klaszterek interpretálásában ismét az összevont mutatók, a főkomponens elemzéssel készített standardizált indexek segítenek. Jelen esetben nem a kalszterek átlagértékeit közöljük, hanem a városonkénti adatokat csökkenő sorrendben (8. táblázat). Így árnyaltabb képet adhatunk a csoportokról, kiemelkednek a marginálisabb helyzetű települések, és egy bizonyos hierarchia is körvonalazódik. Az eredmények értelmezésekor nem szabad figyelmen kívül hagyni azt a módszertani sajátosságot sem, hogy a csoportképzés dimenzióit egyforma súllyal, fontossági jellemzővel veszi számításba a hierarchikus klaszterelemzés. Ezért előfordulhat az, hogy egy város bizonyos dimenzióban kedvezőtlenebb paraméterekkel rendelkezik, mégis a teljes modellben a fejlettebb klaszter tagja. Az első kérdéses város Győr. A humán adottságok tekintetében roszszabb a helyzete, mint pl. Veszprémnek, Nyíregyházának, vagy akár Egernek, mégis a második legfejlettebb klaszterbe tartozik. Ez az innovatív kezdeményezések és a helyben elérhető intézményhálózat tekintetében megfigyelhető jó adottságok miatt alakul így. A harmadik klaszterben Kecskemét lóg ki a sorból: a főleg felsőoktatási irányultságú humán dimenzióban megfigyelhető elmaradottságot pótolja a kedvező innovációs mutató. A negyedik klaszterbe összetömörültek azok a hazai városok, amelyek a helyi főiskolák, egyetemek, egyetemi karok jelenléte miatt kedvező humán adottságokkal rendelkeznek az intézményi- és a szakemberi állományban, de az innovációs potenciáljuk már jóval gyengébb. Ez megjelenhet abban, hogy kevesebb az új termék és/vagy szolgáltatás bevezetése, hiányosabb a folyamatot kiszolgáló, támogató intézményhálózat. A mérsékelten fejlett csoportba azok a városok